Forecasting Electric Load by Aggregating Meteorological and History-based Deep Learning Modules
Notice bibliographique
Résumé
Accurate day-ahead (or 24-hours ahead) electric load forecasting for power systems is crucial for system's optimal operations. In evolving smart distribution grids, the importance of precise electric load forecast in day-ahead is even more important for distributed energy management systems (DERMS) and demand response (DR) programs, which are used by the independent system operators (ISO) and power utilities (PU) for day-ahead system planning and optimal operations. This paper captures both dynamic members' interdependencies and the impact of meteorological factors on the load sequence. In this regard, Long Short-Term Memory (LSTM) is applied to use the historical load sequences to forecast the 24 hours ahead values of the system load. On the other hand, a Deep Feedforward Neural Network (DFNN) is applied to map the forecasted meteorological parameters to the upcoming 24-hourly values of the system load. Finally, based on the historical errors of these two engines, a Beta distribution generates a probabilistic weight for aggregating the forecasted values at each hour. The proposed forecasting model performs better than single engines based on Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and Root Mean Square Error (RMSE) metric when applied to day-ahead load forecasting for the city of Toronto.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».